Thanh bên bài viết
Số lượt xem pdf: 52
XÂY DỰNG MÔ HÌNH TRÍ TUỆ NHÂN TẠO ĐỂ TẦM SOÁT RUNG NHĨ TRÊN DỮ LIỆU LỚN ĐIỆN TÂM ĐỒ LƯU ĐỘNG TẠI BỆNH VIỆN NGUYỄN TRÃI
Nội dung chính của bài viết
Tóm tắt
Đại cương: Rung nhĩ là rối loạn nhịp tim có ý nghĩa lâm sàng mang tính phổ biến. Tầm soát rung nhĩ hiện tại được thực hiện dựa trên phần mềm thuật toán (algorithm) với nhiều giới hạn và tạo ra gánh nặng cho nhân viên y tế khi phân tích dữ liệu lớn điện tâm đồ (ECG). Trí tuệ nhân tạo (AI) là công cụ có nhiều tiềm năng để hỗ trợ tầm soát rung nhĩ. Mục tiêu: Xây dựng mô hình AI có đủ năng lực tầm soát rung nhĩ và đánh giá năng lực tầm soát rung nhĩ của mô hình AI trên các tập dữ liệu Holter ECG 24 giờ thực tế. Phương pháp nghiên cứu: Nghiên cứu hồi cứu dữ liệu lớn Holter ECG 24 giờ được thực hiện tại bệnh viện Nguyễn Trãi từ tháng 3 đến tháng 9 năm 2024. Mô hình AI được xây dựng dựa trên kiến trúc ResNet thuộc về học sâu (deep learning). Kết quả: Từ 1089 bộ dữ liệu Holter ECG tập huấn, 3218 đoạn rung nhĩ (1785953 giây) và 2631 đoạn không rung nhĩ (486775 giây) được chọn lọc để xây dựng mô hình AI. Trên 400 bộ dữ liệu Holter ECG lượng giá, mô hình AI đạt độ nhạy 100% và độ đặc hiệu 80% trong tầm soát rung nhĩ. Kết luận: Mô hình AI của bệnh viện Nguyễn Trãi có tiềm năng ứng dụng thực tế để tầm soát hiệu quả rung nhĩ trên dữ liệu lớn ECG.
Chi tiết bài viết
Từ khóa
rung nhĩ, điện tâm đồ, trí tuệ nhân tạo
Tài liệu tham khảo
2. Yenikomshian M, Jarvis J, Patton C, et al. Cardiac arrhythmia detection outcomes among patients monitored with the Zio patch system: a systematic literature review. Curr Med Res Opin. 2019 Oct;35(10): 1659-1670. doi: 10.1080/ 03007995.2019.1610370.
3. Zhang Y, Xu S, Xing W, et al. Robust Artificial Intelligence Tool for Atrial Fibrillation Diagnosis: Novel Development Approach Incorporating Both Atrial Electrograms and Surface ECG and Evaluation by Head-to-Head Comparison With Hospital-Based Physician ECG Readers. J Am Heart Assoc. 2024 Feb 6;13(3):e032100. doi: 10.1161/JAHA.123.032100.
4. Chang PC, Wen MS, Chou CC, et al. Atrial fibrillation detection using ambulatory smartwatch photoplethysmography and validation with simultaneous holter recording. Am Heart J. 2022 May;247:55-62. doi: 10.1016/j.ahj.2022.02.002.
5. Santala OE, Lipponen JA, Jäntti H, et al. Continuous mHealth Patch Monitoring for the Algorithm-Based Detection of Atrial Fibrillation: Feasibility and Diagnostic Accuracy Study. JMIR Cardio. 2022 Jun 21;6(1): e31230. doi: 10.2196/ 31230.
6. Mabuza LH, Mntla PS. Generalist practitioners' self-rating and competence in electrocardiogram interpretation in South Africa. Afr J Prim Health Care Fam Med. 2020 Aug 24;12(1):e1-e7. doi: 10.4102/phcfm.v12i1.2421.
7. Rakab A, Swed S, Alibrahim H, et al. Assessment of the competence in electrocardiographic interpretation among Arabic resident doctors at the emergency medicine and internal medicine departments: A multi-center online cross-sectional study. Front Med (Lausanne). 2023 Apr 24;10:1140806. doi: 10.3389/fmed.2023.1140806.
8. Martínez-Sellés M, Marina-Breysse M. Current and Future Use of Artificial Intelligence in Electrocardiography. J Cardiovasc Dev Dis. 2023 Apr 17;10(4):175. doi: 10.3390/jcdd10040175.